军事危机模拟中语言模型决策不一致性测量

这份资料要处理的问题，可以概括为：当语言模型被放进军事危机的模拟情境中，让它做判断、做选择时，它给出的决策是否稳定、是否可复现，以及这种不一致性应当如何测量。标题里的三个要素——军事危机模拟、语言模型决策、不一致性测量——分别对应研究对象、对象所处的场景，以及研究的方法取向。它现在值得翻一翻，是因为军事 AI 与无人系统正在从概念讨论走向具体的能力评估，而“模型能不能稳定地做决策”是评估里绕不开的一环；同时它以 arXiv 公开论文的形式发布，全文 PDF 可免费下载，获取门槛很低。

覆盖范围上，材料把它归入军事 AI/无人系统方向，属于论文形态的研究成果，适合做政策解读或论文解读类的二次写作。方法上，从标题可以判断（这是解读，不是原文表述），研究重心不在“模型能否给出某个答案”，而在“同一个模型在不同次运行、不同情境设定下给出的答案是否自洽”，也就是把一致性本身当作被测量、被量化的对象。至于具体采用了哪些模拟场景、选取了哪些模型、样本规模多大、指标如何定义，给定材料没有提供，需要回到原文核对。

关于关键发现与数字，这里必须说明白：现有材料只到标题、发布机构（Stanford 等）和学科方向这一层，没有任何可以引用的具体结论或数值结果。因此不转述“某模型不一致率为多少”之类的说法——那类数字只能来自原文，凭标题去推就是编造。想看重实证部分的读者，应当直接下载 PDF，重点读实验设置与结果两节，先确认它的场景构造方式和判定标准，再看数值。

可以确定的是，问题的提法本身带有信息量（以下为解读）：把“不一致性”单独列为测量对象，意味着评价一个用于危机模拟的语言模型时，不能只看它在单个案例上的表现，还要看它在重复运行中的稳定性。稳定性不足时，同一套情境跑两次得到不同建议，推演结论之间的可比性就会被削弱，后续基于推演的政策讨论也会失去共同基准。这是从标题的问题意识推出来的判断，不是原文结论。

这个研究取向意味着什么（同样是解读）：如果把语言模型用作危机推演、政策预案讨论的辅助工具，那么“输出稳定”应当和“输出合理”一起进入验收清单；对使用方来说，至少在采纳前要做重复测试，记录同一情境多次运行之间的分歧有多大。对做政策解读的人，这类工作还提供了一个样例——如何把“AI 靠不靠谱”这种笼统提问，拆解成可以测量、可以比较的具体指标。

适合谁读：关心军事 AI 治理、兵棋与危机模拟工具评估，以及对语言模型评测方法感兴趣的读者，都能从中拿到一个明确的问题框架，即如何把“决策一致性”变成可测量的东西。读完能拿走的主要是这个框架和原文中的实验设计思路，而不是可以直接引用的结论数字。边界也要说清：给定材料不含方法与结果，任何具体数值、模型名单和结论都须以原文为准，引用前请自行核对论文中的实验条件与适用范围。